KR20210128181A - 전지의 용량 측정 장치 및 방법 - Google Patents

전지의 용량 측정 장치 및 방법 Download PDF

Info

Publication number
KR20210128181A
KR20210128181A KR1020200046058A KR20200046058A KR20210128181A KR 20210128181 A KR20210128181 A KR 20210128181A KR 1020200046058 A KR1020200046058 A KR 1020200046058A KR 20200046058 A KR20200046058 A KR 20200046058A KR 20210128181 A KR20210128181 A KR 20210128181A
Authority
KR
South Korea
Prior art keywords
learning
data
temperature
battery
correction factor
Prior art date
Application number
KR1020200046058A
Other languages
English (en)
Inventor
공창선
이규황
박수민
이용구
Original Assignee
주식회사 엘지화학
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 엘지화학 filed Critical 주식회사 엘지화학
Priority to KR1020200046058A priority Critical patent/KR20210128181A/ko
Publication of KR20210128181A publication Critical patent/KR20210128181A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

본 출원은 기계 학습을 이용한 전지의 용량 측정 장치 및 방법에 관한 것이다.

Description

전지의 용량 측정 장치 및 방법 {SYSTEM AND METHOD FOR ESTIMATING OF BATTERY CAPACITY}
본 출원은 전지의 용량 측정 장치 및 방법에 관한 것이다.
이차전지의 용량은 사이클 충방전 공정에서 생산된 배터리 트레이(tray)에서 일정한 수의 전지를 샘플링하고 샘플링한 전지를 연속적으로 충방전하여 미리 정해진 기준 조건을 충족시킬 경우 합격 판정을 내린다. 이러한 이차전지의 용량은 온도의 영향을 크게 받기 때문에 용량의 정확한 측정을 위해서는 온도 영향에 대한 보정이 필요하다.
정확한 온도 영향에 대한 보정을 위해서는 정확한 온도 정보가 반드시 필요하다.
그러나, 이차전지를 대량 생산하는 과정에서 모든 이차전지에 온도 센서를 부착하여 온도 정보를 수집하는 것이 실질적으로 제한되고, 트레이 내부의 전지들간의 상대적인 위치, 트레이와 온도 센서의 상대적인 위치 등에 따라 온도 분포가 상이하게 나타나는 문제가 있다.
이와 같이 온도 정보를 확보하는 면에 있어서 문제가 있기 때문에, 이차 전지의 용량을 측정하는 과정에서 판정 오류가 발생할 수 있고, 이는 이차전지의 생산에서 불량품이 발생할 가능성이 있음을 의미한다.
따라서, 이차전지의 용량의 측정의 정확도를 높이기 위한 방법이 필요한 상황이다.
한국 특허 출원 공개 제10-2004-0051195호
본 출원은 온도 정보를 반영하여 전지 용량을 정확하게 측정할 수 있는 장치 및 방법을 제공하자고 한다.
본 발명의 일 실시상태는, 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하고, 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 학습 데이터 입력부; 예측 대상으로 선택된 트레이 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 입력 받는 측정 데이터 입력부; 상기 학습 데이터 입력부에 입력된 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터에 기계 학습(Machine Learnig) 을 진행하는 기계 학습부; 및 상기 입력된 전지의 온도 시계열 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 출력부를 포함하는 것인 전지의 용량 측정 장치를 제공한다.
다른 본 발명의 일 실시상태는, 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하는 단계; 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 단계; 상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계; 예측 대상으로 선택된 트레이 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 입력 받는 단계; 및 상기 입력된 전지의 온도 시계열 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법을 제공한다.
본 출원의 실시상태에 따른 전지 용량 측정 시스템 및 방법은 개별 전지마다 온도 센서를 설치하지 않아도, 온도 분포에 대한 정확한 정보를 얻을 수 있으며, 상기 얻어진 정보로부터 온도의 영향을 정확하게 반영하여 전지 용량 평가에 대한 정확도를 향상시킬 수 있다.
본 출원의 실시상태에 따른 전지 용량 측정 시스템 및 방법은 공정의 최적화 방법을 도출하기 위한 정보를 제공하여 이차전지의 생산의 효율성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 전지의 용량 측정 시스템의 구성을 보여주는 블록 다이어그램이다.
도 2는 본 발명의 일 실시예에 따른 대략적인 온도 보정 인자 학습 데이터를 도출하는 과정을 보여주는 도이다.
도 3은 본 발명의 일 실시예에 따른 온도 시계열 학습 데이터를 보여주는 그래프이다.
도 4는 본 발명의 일 실시예에 따른 센서 배치 구조에 따른 트레이 내부의 기저함수 및 온도 분포를 보여주는 이미지를 나타낸 도이다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 구성에만 한정되지 않는다.
본 명세서에서 어떤 부분이 어떤 구성 요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.
즉, 본 명세서에 있어서, "학습 데이터"는 기계 학습을 시키기 위한 데이터를 의미한다.
또한, 본 명세서에 있어서, "측정 데이터"는 "예측 데이터"를 산출하기 위하여 입력되는 데이터를 의미하며, 상기 예측 데이터는 입력된 측정 데이터에 기계 학습을 반영한 결과 출력되는 데이터를 의미한다.
본 발명의 일 실시상태에 있어서, 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하고, 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 학습 데이터 입력부; 예측 대상으로 선택된 트레이 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 입력 받는 측정 데이터 입력부; 상기 학습 데이터 입력부에 입력된 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 기계 학습부; 및 상기 입력된 전지의 온도 시계열 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 출력부를 포함하는 것인 전지의 용량 측정 장치를 제공한다.
본 발명은 온도 보정 인자 도출 및 상기 온도 보정 인자를 반영한 전지의 용량 예측에 기계 학습(Machine Learnig)을 사용함으로써, 다수의 센서를 배치하지 않고도 그 정확도를 향상시킬 수 있다. 또한, 반대로 상기 기계 학습(Machine Learnig)의 결과로부터 최적의 센서 위치 및 센서 개수 등을 도출하여 공정의 최적화 및 생산 효율성을 높일 수 있다.
여기서, 기계 학습이란 인공 지능의 한 분야로 컴퓨터 프로그램이 데이터와 처리 경험을 이용한 학습을 통해 정보 처리 능력을 향상시키는 것 또는 이와 관련된 기술을 의미한다. 상기 기계 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있다. 즉, 기계 학습에 대한 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.
본 발명의 일 실시상태에 있어서, 상기 전지는 이차전지일 수 있으나 이에 한정되는 것은 아니다.
본 명세서에 있어서 "특정 시간"이란 임의로 정한 전지의 충전 및 방전 공정을 진행한 시간을 의미한다. 예를 들어 1 시간 동안 전지의 충전 및 방전 공정을 진행하기로 한 경우의 특정 시간이란 1 시간을 의미한다.
본 발명의 일 실시상태에 있어서, 상기 기계 학습부의 기계 학습(Machine Learnig)은 서포트 벡터 머신(Support Vector Machine, SVM) 학습, 랜덤 포레스트(Random Forest) 학습, 그래디언트 부스팅(Gradient Boosting) 학습 또는 심층 신경망(Deep Neural Networks) 학습일 수 있으나, 이에 한정되는 것은 아니다.
보다 구체적으로, 본 발명의 일 실시상태에 있어서, 상기 기계 학습부의 기계 학습(Machine Learnig)은 심층 신경망(Deep Neural Networks) 학습일 수 있다.
심층 신경망(Deep Neural Networks, DNN)은 입력 뉴런층(input neuron layer), 출력 뉴런층(ouput neuron layer) 및 상기 입력 뉴런층과 출력 뉴런층 사이에 존재하는 2 이상의 은닉 뉴런층(hidden neuron layer)이 있는 인공 신경망(Artificial Neural Networks, ANN)을 의미한다.
인공 신경망(Artificial Neural Networks, ANN)에서 상기 입력 뉴런층(input neuron layer)은 입력부로부터 입력 받은 초기 데이터를 입력 벡터로 변환하고, 상기 입력 벡터에 행렬 형태의 가중치를 곱하고 벡터 형태의 편중치를 더한 후, 그 결과를 전달함수에 의하여 벡터 형태로 은닉 뉴런층(hidden neuron layer)으로 전달하는 층을 의미한다. 여기서, 입력 벡터는 R행 Х 1열의 차원을 갖는다. 상기 R은 초기 특성 측정 데이터에 포함된 단위 데이터의 수를 의미한다.
상기 은닉 뉴런층(hidden neuron layer)은 상기 입력 벡터에 행렬 형태의 가중치를 곱하고 벡터 형태의 편중치가 더해진 데이터를 전달 받고, 상기 전달 받은 데이터에 또 다른 행렬 형태의 가중치를 곱하고, 또 다른 벡터 형태의 편중치를 더한 후, 그 결과를 또 다른 전달함수에 의하여 벡터 형태로 출력 뉴런층(output neuron layer)으로 전달하는 층을 의미한다.
상기 출력 뉴런층(output neuron layer)은 신경망에서 처리된 결과를 출력하는 층을 의미한다.
심층 신경망이란 입력 뉴런층(input neuron layer), 출력 뉴런층(ouput neuron layer) 및 상기 입력 뉴런층과 출력 뉴런층 사이에 존재하는 2 이상의 은닉 뉴런층(hidden neuron layer)이 존재하는 것으로, 복수의 은닉 뉴런층(hidden neuron layer)이 존재하는 것을 "깊어졌다(deep)"라고 부르면서 딥러닝(Deep Learning)이라고도 한다.
여기서, 인공 신경망 학습과 관련된 기술은 본 발명이 속한 기술분야에서 널리 알려져 있다. 예를 들어, JureZupan, Johann Gasteiger, "Neural Networks in Chemistry and Drug Design", 2nd Edition(Weinheim; New York; Chichester; Brisbane; Singapore; Toronto: Wiley-VCH, 1999)는 입력 데이터와 출력 데이터 간의 상관 관계 학습에 의해 가중치 행렬과 편중치 벡터를 산출하는 방법을 개시하고 있다. 즉, 신경망 학습에 대한 구체적인 학습 알고리즘에 대해서는 상세한 설명을 생략하기로 한다.
또한, 상기 전달함수(Transfer function)는 인공 신경망에서 사용되는 공지의 활성화함수(Activation function)로, 예를 들어, Compet, Hard-limit,Symmetric Hard-Limit, Log-Sigmoid, Positive Linear, Linear, Radial Basis, Satlin, Satlins, Softmax,Tan-Sigmoid, Triangular Basis, Netinv 전달함수 등이 활성화함수로 채용될 수 있다. 하지만 본 발명이 이에 한하는 것은 아니다.
상기 심층 신경망(Deep Neural Network, DNN)의 구조는 미리 결정되며, 각 층에서의 가중치 메트릭스(weight matrix)는 이미 어느 클래스에 속할지 정답이 알려진 데이터들을 이용하여 적절한 값으로 산정된다. 이와 같이 이미 정답이 알려진 데이터들을 '학습 데이터'라고 하고, 필터의 가중치 메트릭스를 결정하는 과정을 '학습'이라고 한다.
본 명세서에 있어서, 상기 "입력부"는 필요한 각종 데이터를 입력 받기 위한 인터페이스이다. 구체적으로, 본 명세서에 있어서, 상기 입력부는 학습 데이터를 입력 받는 학습 데이터 입력부 및 측정 데이터를 입력 받는 측정 데이터 입력부로 구분할 수 있다.
본 명세서에 있어서, 상기 "기계 학습부"는 상기 학습 데이터 입력부에 입력된 학습 데이터를 이용하여 기계 학습을 진행하기 위한 인터페이스이다.
본 명세서에 있어서, 상기 "출력부"는 기계 학습의 결과를 반영하여 예측 데이터를 산출하기 위한 인터페이스이다.
본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 상기 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터 또는 예측 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 수집하기 위한 센서(Sensor)부를 더 포함하는 것일 수 있다.
본 명세서에 있어서, 상기 "센서부"는 온도의 시계열 정보를 수집하기 위한 인터페이스이다.
본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 상기 수집된 온도 시계열(Time Series) 학습 데이터로부터 공간 기저 함수(Spatial basis function)를 도출하고, 상기 공간 기저 함수로부터 온도 분포 데이터를 도출하고, 상기 온도 분포 데이터로부터 온도 보정 인자 학습 데이터를 도출하는 온도 보정 인자 연산부를 더 포함하는 것일 수 있다.
본 명세서에 있어서, 상기 "온도 보정 인자 연산부"는 온도의 시계열 학습 데이터로부터 온도 보정 인자 학습 데이터를 도출하기 위한 인터페이스이다.
구체적으로, 상기 온도 시계열 학습 데이터는 특정 위치(x) 및 시간(t)에서 측정된 온도의 학습 데이터를 의미하며, 하기 식 1과 같이 공간 기저 함수(Spatial basis function) P(x) 및 시간계수 Q(t)로 표현될 수 있다. 상기 P(x) 및 Q(t)는 각각 온도의 공간과 시간적 특성을 나타내는 행렬(Matrix)로 표현되며, 온도분포함수, T(x, t)는 그 두 행렬, P(x)와 Q(t)의 곱으로 표현된다.
[식 1]
T(x, t) = P(x)·Q(t)
T: 시계열 온도
x: 온도가 측정된 특정 위치
t: 온도가 측정된 특정 시간
P(x): 공간 기저 함수
Q(t): 시간계수
본 발명의 일 실시상태에 있어서, 상기 도출된 온도 보정 인자 학습 데이터는 상기 공간 기저 함수로부터 상기 예측 대상이 되는 전지의 충전 또는 방전 공정 중 특정 시간에서의 온도 분포 정보를 도출하고, 상기 도출된 온도 분포 정보를 구간별로 나누어 평균한 값을 개별 전지의 온도 보정 인자의 초기 값들을 의미하는 것일 수 있다.
상기 공간 기저 함수는 예측 대상이 되는 전지의 특정 시간 동안의 온도 시계열(Time Series) 학습 데이터를 예를 들어, 특이값 분해(Singular Value Decomposition)를 통해 수행될 수 있으며, 상기 온도 분포는 예를 들어 상기 공간 기저 함수에 일반화 가법 모형(Generalized Additive Model, GAM)과 같은 비선형 결합법을 적용하여 도출할 수 있다.
본 발명의 일 실시상태에 있어서, 상기 전지의 용량 측정 장치는 상기 출력된 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터와 실제 전지 용량 데이터의 오차를 계산하고, 오차의 크기에 따라 상기 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터의 신뢰성을 판정하는 신뢰성 판정부를 더 포함하는 것일 수 있다.
본 명세서에 있어서, 상기 "신뢰성 판정부"는 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터의 신뢰성을 판단하기 위한 인터페이스이다.
본 발명의 일 실시상태에 있어서, 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열(Time Series) 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하는 단계; 상기 온도 시계열(Time Series) 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 단계; 상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계; 예측 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열(Time Series) 측정 데이터를 입력 받는 단계; 및 상기 입력된 전지의 온도 시계열(Time Series) 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법을 제공한다.
본 발명의 일 실시상태에 있어서, 상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계는 서포트 벡터 머신(Support Vector Machine, SVM) 학습, 랜덤 포레스트(Random Forest) 학습, 그래디언트 부스팅(Gradient Boosting) 학습 또는 심층 신경망(Deep Neural Networks) 학습을 진행하는 것일 수 있으나, 이에 한정되는 것은 아니다.
보다 구체적으로, 본 발명의 일 실시상태에 있어서, 상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계는 입력된 학습 데이터를 각각의 자료 구조로 변환하는 단계; 및 상기 각각의 자료 구조에 대응되는 심층 신경망을 개별적으로 적용하는 단계를 포함하는 것일 수 있다.
도 1은 전지의 용량 측정 시스템의 구성을 보인 블록 다이어그램이다. 도면을 참고하면, 본 출원의 전지의 용량 측정 방법은 온도 센서로부터 트레이에 놓인 전지의 온도의 시계열 정보를 수집하고, 상기 온도의 시계열 정보로부터 기저 함수를 도출한다. 상기 도출된 기저함수를 이용하여 온도 분포 정보를 도출하고, 상기 온도 분포로부터 온도 보정 인자 학습 데이터를 도출하는 과정을 포함한다. 상기 온도 보정 인자는 전지의 용량을 측정하는 과정에 있어서, 개별 전지 용량에 대한 온도의 영향을 보정하기 위한 것으로 상기 도출된 온도 보정 인자 학습 데이터를 트레이 상에 배치된 각각의 전지에 반영하고, 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량의 학습 데이터에 대해서 기계 학습을 시키는 것을 의미한다. 이 때, 도 1은 기계 학습 방법으로 심층 신경망 학습을 시키는 것을 예시하고 있다.
상기 기계 학습 및 심층 신경망 학습에 대해서 해당 분야에 통상적으로 알려진 기술이 사용될 수 있다.
본 발명의 일 실시상태에 있어서, 상기 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하는 단계는 상기 온도 시계열 학습 데이터로부터, 공간 기저 함수(Spatial basis function)를 도출하는 단계; 상기 공간 기저 함수로부터 온도 분포 데이터를 도출하는 단계; 상기 온도 분포 데이터로부터 온도 보정 인자 학습 데이터를 도출하는 단계를 포함하는 것일 수 있다.
상기 공간 기저 함수 및 온도 분포는 상술한 방법을 적용하여 도출할 수 있다.
대략적인 전지의 용량 측정 방법은 도 2와 같다. 구체적으로, 도 2를 참고하면, 트레이(Tray)상에 배치된 전지의 온도 시계열(Time Series) 데이터를 센서를 통해 수집한다. 상기 수집된 데이터를 특이값 분해(Singular Value Decomposition)하여 특성 변수를 도출하는 과정을 통해 공간 기저 함수를 도출한다. 상기 도출된 공간 기저 함수에 공간 기저 함수에 일반화 가법 모형(Generalized Additive Model, GAM)과 같은 비선형 결합법을 적용 통해 특정 시간에서의 온도 분포를 도출한다. 상기 온도 분포로부터 온도 보정 인자를 도출한다. 이 후, 온도 보정 인자를 반영한 개별 전지의 온도(Tcell), 충전-방전공정중 측정되는 전지용량(Cprocess), 전압, 저항 등의 여러 가지 변수의 영향을 고려하여, 제품검사를 위한 전지용량(CQC)을 측정한다.
보다 구체적으로 전지의 용량 측정 방법의 과정을 설명하면 하기와 같다.
우선, 200 내지 300개의 전지가 배치되어 있는 트레이(tray)에 8개의 센서(T1 내지 T8)를 도 4에 나타난 바와 같이 특정 위치에 배치하였다. 도 4의 도 4(a) 및 (c)와 같이 센서가 배치된 경우를 A-type이라고 하고, 도 4(b) 및 (d) 와 같이 센서가 배치된 경우를 B-type이라고 구분하였다. 이 후, 상기 전지의 충전 및 방전 공정을 실시하면서 상기 센서들로부터 온도의 시계열 학습 데이터를 수집하였다. 상기 A-type 및 B-type으로부터 수집된 온도의 시계열 학습 데이터의 그래프의 개형은 유사함을 확인할 수 있다. 이 때, B-type으로부터 수집된 온도의 시계열 학습 데이터의 그래프는 도 3에 나타난 바와 같았다.
이렇게 수집된 온도의 시계열 학습 데이터를 특이값 분해(Singular Value Decomposition)하여 도 4와 (a) 및 (b)와 같이 공간 기저 함수를 구하고, 상기 공간 기저 함수에 일반화 기법 모형(Generalized Additive Model, GAM)을 적용하여 도 4와 (c) 및 (d)와 같은 온도 분포를 도출하였다. 도 4에서 격자 구조의 한 칸은 각각의 전지 위치를 나타내며, 상기 격자 구조 한 칸에 해당하는 평균 온도는 충전 또는 방전 공정 후의 전지 온도를 의미한다.
구체적으로 도 4(a) 및 (c)는 각각 A-type으로 센서가 배치된 경우에 수집된 학습 데이터로부터 도출된 기저함수(도 4(a)) 및 온도 분포((도 4(c))이고, 도 4(b) 및 (d)는 각각 B-type으로 센서가 배치된 경우에 수집된 학습 데이터로부터 도출된 기저함수(도 4(b)) 및 온도 분포((도 4(d))이다.
또한, 상기 온도 분포를 구간 별로 나누어 평균한 값을 온도 보정 인자 학습 데이터로 결정하였고, 상기 온도 보정 인자 학습 데이터를 반영한 전지의 용량 학습 데이터를 구하였다.
이 후, 상기 온도 시계열(Time Series) 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 이용하여 심층 신경망을 진행하였다.
심층 신경망 학습을 진행한 후, 센서들로부터 전지의 온도의 시계열 측정 데이터를 수집하였다. 이렇게 수집된 전지의 온도 시계열 측정 데이터에 상기 심층 신경망(Deep Neural Networks) 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하였다.
마지막으로, 상기 출력된 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터와 실제 전지 용량 데이터의 오차를 계산하고, 오차의 크기에 따라 상기 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터의 신뢰성을 판정하였다.
상기 과정에서, 전지 용량 데이터는 온도 보정 인자를 반영한 개별 전지의 온도(Tcell), 충전-방전공정중 측정되는 전지용량(Cprocess), 전압, 저항 등의 여러 가지 변수의 영향을 고려하였다.

Claims (8)

  1. 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하고, 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 학습 데이터 입력부;
    예측 대상으로 선택된 트레이 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 입력 받는 측정 데이터 입력부;
    상기 학습 데이터 입력부에 입력된 상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 기계 학습부; 및
    상기 입력된 전지의 온도 시계열 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 출력부를 포함하는 것인 전지의 용량 측정 장치.
  2. 청구항 1에 있어서,
    상기 기계 학습부의 기계 학습(Machine Learnig)은 서포트 벡터 머신(Support Vector Machine, SVM) 학습, 랜덤 포레스트(Random Forest) 학습, 그래디언트 부스팅(Gradient Boosting) 학습 또는 심층 신경망(Deep Neural Networks) 학습인 것인 전지의 용량 측정 장치.
  3. 제1항에 있어서,
    상기 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터 또는 예측 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 수집하기 위한 센서(Sensor)부를 더 포함하는 것인 전지의 용량 측정 장치.
  4. 제1항에 있어서,
    상기 수집된 온도 시계열(Time Series) 학습 데이터로부터 공간 기저 함수(Spatial basis function)를 도출하고, 상기 공간 기저 함수로부터 온도 분포 데이터를 도출하고, 상기 온도 분포 데이터로부터 온도 보정 인자 학습 데이터를 도출하는 온도 보정 인자 연산부를 더 포함하는 것인 전지의 용량 측정 장치.
  5. 제1항에 있어서,
    상기 출력된 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터와 실제 전지 용량 데이터의 오차를 계산하고, 오차의 크기에 따라 상기 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터의 신뢰성을 판정하는 신뢰성 판정부를 더 포함하는 전지의 용량 측정 장치.
  6. 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하는 단계;
    상기 온도 시계열 학습 데이터, 온도 보정 인자 학습 데이터 및 상기 온도 보정 인자 학습 데이터를 반영한 전지 용량 학습 데이터를 입력 받는 단계;
    상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계;
    예측 대상으로 선택된 트레이 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 선택된 전지의 온도 시계열 측정 데이터를 입력 받는 단계; 및
    상기 입력된 전지의 온도 시계열 측정 데이터에 상기 기계 학습의 결과를 반영하여 온도 보정 인자 예측 데이터 및 온도 보정 인자 예측 데이터를 반영한 전지 용량 예측 데이터를 산출하여 출력하는 단계를 포함하는 것인 전지의 용량 측정 방법.
  7. 제6항에 있어서,
    상기 입력된 학습 데이터에 기계 학습(Machine Learnig)을 진행하는 단계는 서포트 벡터 머신(Support Vector Machine, SVM) 학습, 랜덤 포레스트(Random Forest) 학습, 그래디언트 부스팅(Gradient Boosting) 학습 또는 심층 신경망(Deep Neural Networks) 학습을 진행하는 것인 전지의 용량 측정 방법.
  8. 제6항에 있어서,
    상기 학습 대상으로 선택된 트레이(Tray) 상에 배치된 전지의 특정 시간 동안 진행된 충전 및 방전 공정에서 온도 시계열(Time Series) 학습 데이터를 수집하고, 상기 수집된 온도 시계열 학습 데이터로부터 전지의 온도 보정 인자 학습 데이터를 도출하는 단계는
    상기 온도 시계열 학습 데이터로부터, 공간 기저 함수(Spatial basis function)를 도출하는 단계;
    상기 공간 기저 함수로부터 온도 분포 데이터를 도출하는 단계;
    상기 온도 분포 데이터로부터 온도 보정 인자 학습 데이터를 도출하는 단계를 포함하는 것인 전지의 용량 측정 방법.
KR1020200046058A 2020-04-16 2020-04-16 전지의 용량 측정 장치 및 방법 KR20210128181A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200046058A KR20210128181A (ko) 2020-04-16 2020-04-16 전지의 용량 측정 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200046058A KR20210128181A (ko) 2020-04-16 2020-04-16 전지의 용량 측정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20210128181A true KR20210128181A (ko) 2021-10-26

Family

ID=78268567

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200046058A KR20210128181A (ko) 2020-04-16 2020-04-16 전지의 용량 측정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20210128181A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023234538A1 (ko) * 2022-06-02 2023-12-07 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051195A (ko) 2002-12-12 2004-06-18 주식회사 팬택 배터리 잔량 측정 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051195A (ko) 2002-12-12 2004-06-18 주식회사 팬택 배터리 잔량 측정 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023234538A1 (ko) * 2022-06-02 2023-12-07 주식회사 엘지에너지솔루션 배터리 셀 수명 진단 장치 및 그것의 동작 방법

Similar Documents

Publication Publication Date Title
CN106249152B (zh) 用于估计电池状态的方法和设备
US11293987B2 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN110068774B (zh) 锂电池健康状态的估计方法、装置及存储介质
US10746804B2 (en) Battery management method and apparatus
US11422192B2 (en) Method and apparatus for estimating state of health of battery
JP4587306B2 (ja) 二次電池の残存容量演算方法
WO2019202752A1 (ja) 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム
CN111448467B (zh) 用于对电池容量进行建模和估计的方法及系统
Lin et al. Prognostics for lithium-ion batteries using a two-phase gamma degradation process model
KR101992051B1 (ko) 배터리 잔량 예측 방법 및 배터리 잔량 예측 시스템
CN108089130B (zh) 基于误差校正的用于估计电池的状态的方法和设备
JP6490882B1 (ja) 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム
CN110632528A (zh) 一种基于内阻检测的锂电池soh估算方法
US20230213585A1 (en) Deterioration estimation apparatus, model generation apparatus, deterioration estimation method, model generation method, and non-transitory computer-readable storage medium
Bockrath et al. State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries
JP2006220616A (ja) 車両用蓄電装置の内部状態検出方式
CN113917336A (zh) 基于片段充电时间和gru的锂离子电池健康状态预测方法
JP4609883B2 (ja) 車両用蓄電装置の満充電容量演算装置
CN112083346B (zh) 基于lstm的并联电池组内部电流分布估计方法及系统
KR20210128181A (ko) 전지의 용량 측정 장치 및 방법
Wu et al. Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm
CN113376541A (zh) 一种基于crj网络的锂离子电池健康状态预测方法
JP2006300692A (ja) 二次電池の残存容量演算方式
Lipu et al. Differential search optimized random forest regression algorithm for state of charge estimation in electric vehicle batteries

Legal Events

Date Code Title Description
A201 Request for examination